I.3Извлечение и структурирование данных

Meta-Llama-3.1-8B-Claude-GGUF — набор GGUF-квантизаций модели Meta-Llama-3.1-8B-Claude, базовой моделью которой указана Undi95. Квантизации подготовлены bartowski с использованием llama.cpp версии b3472 и метода imatrix. Модель предназначена для генерации текста и локального запуска, в частности через LM Studio; для работы используется формат промпта Llama 3 с ролями system, user и assistant. Доступны варианты от полных весов F32 размером 32,13 ГБ до низкобитных IQ2_M размером 2,95 ГБ. Рекомендуемые варианты включают Q4_K_M, Q5_K_M, Q6_K и другие; более высокие уровни квантизации обеспечивают лучшее качество, а низкие требуют меньше оперативной памяти, но могут заметно снижать качество генерации. В README не указаны архитектурные детали исходной модели, поддерживаемые языки, размер контекста, модальности или лицензия, поэтому эти характеристики нельзя достоверно определить.

MiniCPM5-2B-JANG_8M — 8-битная квантизированная версия MiniCPM5-2B от OpenBMB, подготовленная Jinho Jang. Модель содержит 2,2 млрд параметров и распространяется в формате MLX Safetensors для локального запуска на устройствах Apple Silicon через стандартную библиотеку mlx_lm; пользовательский код модели и trust_remote_code не требуются. Контекст составляет до 131 072 токенов. Модель предназначена для генерации текста и диалоговых сценариев, включая рассуждения, задачи с длинным контекстом и работу с инструментами. В README описана калибровка на 1,85 млн токенов с применением imatrix, AWQ и GPTQ; автор сообщает о меньшем расхождении с исходной bf16-моделью по сравнению со стандартной квантизацией MLX того же размера. Модель поддерживает английский и китайский языки. Вызовы инструментов выводятся в XML, а mlx_lm сам не распознаёт этот формат: для обработки вызовов нужен отдельный парсер. Модель распространяется по лицензии Apache-2.0.

MiniMax-M2 — языковая модель для генерации текста, разработанная MiniMax AI. Она предназначена для сценариев text-generation, включая создание и преобразование текстов, ответы на запросы и интеграцию в приложения на базе Transformers. Из доступных данных известно, что модель распространяется для работы с библиотекой Transformers. README не содержит сведений об архитектуре, количестве параметров, поддерживаемых языках, размере контекста, модальностях, результатах тестирования или конкретных ограничениях качества, поэтому эти характеристики нельзя оценить по представленным материалам. Модель предоставляется по лицензии modified-MIT; точные условия следует уточнять в файле лицензии, указанном в репозитории MiniMax-AI/MiniMax-M2. Лицензионные ограничения и требования к коммерческому использованию могут отличаться от стандартной MIT-лицензии.

unsloth/MiniMax-M2.5-GGUF — это GGUF-версия языковой модели MiniMax-M2.5, подготовленная Unsloth на основе модели MiniMaxAI/MiniMax-M2.5. Она предназначена для локального запуска и генерации текста, включая использование через совместимые инструменты и библиотеки экосистемы Transformers. В README указано, что модель относится к классу text-generation и распространяется в формате GGUF с применением метода квантования Unsloth Dynamic 2.0. Заявляется, что этот метод обеспечивает высокую точность по сравнению с другими вариантами квантования. Архитектура, количество параметров, поддерживаемые языки, размер контекста и дополнительные модальности в предоставленных данных не указаны; по доступной информации модель является текстовой и не описана как мультимодальная. Основные преимущества — возможность локального запуска и наличие оптимизированных квантованных вариантов, потенциально снижающих требования к ресурсам по сравнению с полноразмерной моделью. Ограничения, результаты тестирования и рекомендуемые аппаратные требования в README не приведены. Лицензия обозначена как modified-MIT; подробные условия следует проверять в файле лицензии MiniMax-AI по указанной в карточке ссылке.

MiroThinker-v1.0-8B — открытая исследовательская агентная модель, разработанная MiroMind на базе Qwen3-8B и дообученная для рассуждений с использованием инструментов и поиска информации. Она предназначена для многошаговых исследовательских задач: модель может запрашивать внешнюю информацию, вызывать инструменты, проверять результаты и уточнять ход решения. В описании заявлена поддержка до 600 вызовов инструментов за задачу. Модель имеет плотную архитектуру Qwen3ForCausalLM, около 7,6 млрд параметров и контекст до 262 144 токенов. Карточка сообщает об англоязычной версии; метаданные также отмечают диалоговый режим и интерфейс вызова инструментов. Модель распространяется в формате safetensors по лицензии MIT. Карточка приводит результаты на исследовательских бенчмарках, однако качество зависит от подключённых инструментов, настроек рабочего процесса и вычислительных ресурсов. Для полноценного агентного сценария нужны совместимая среда и инструменты; сама модель не выполняет внешние действия без них.

win10/miscii-14b-1M-0128 — созданная с помощью mergekit и метода SCE объединённая языковая модель на архитектуре Qwen2, разработчик — win10. В качестве основы использована sthenno-com/miscii-14b-1225; в объединение также вошли несколько моделей Qwen2.5 и производные от DeepSeek-R1-Distill-Qwen-14B. Модель содержит 14 млрд параметров и рассчитана на генерацию текста и диалоги. Заявленный контекст — до 131 072 токенов; в карточке указаны английский и китайский языки. Модель распространяется в формате safetensors через библиотеку Transformers по лицензии Apache-2.0. README приводит результаты оценок IFEval и BBH, но не описывает методику проверки или практические ограничения качества; фактическая производительность может зависеть от запроса и настроек генерации.

Open-Orca/Mistral-7B-OpenOrca — диалоговая языковая модель Open-Orca, созданная дообучением Mistral 7B на отфильтрованной выборке набора OpenOrca с данными, дополненными GPT-4. Модель обучали с Axolotl и упаковкой OpenChat; она использует архитектуру MistralForCausalLM и формат диалога ChatML. Модель предназначена для генерации ответов в диалоге и выполнения инструкций на естественном языке. В карточке указано контекстное окно 32 768 токенов, а основным языком обозначен английский. Модель содержит 7,1 млрд параметров и доступна в формате PyTorch. Разработчик приводит результаты оценок на нескольких бенчмарках и сообщает об улучшении относительно базовой Mistral 7B. Эти результаты относятся к тестам и не гарантируют качество для конкретных задач. Модель распространяется по лицензии Apache-2.0.

TheBloke/Mistral-7B-v0.1-GGUF — это набор квантованных файлов в формате GGUF для предварительно обученной языковой модели Mistral 7B v0.1, разработанной Mistral AI. Репозиторий подготовлен TheBloke и предназначен для генерации текста и локального запуска модели через llama.cpp и совместимые интерфейсы и библиотеки. Модель относится к архитектуре Mistral и содержит около 7 миллиардов параметров. Доступны варианты квантования с разной разрядностью, включая 2-, 3-, 4-, 5-, 6- и 8-битные варианты, что позволяет выбирать компромисс между размером, скоростью и качеством. Поддерживается текстовый ввод и вывод; шаблон промпта не задан, поэтому используется непосредственная передача текста. Максимальная поддерживаемая длина последовательности для GGUF-версии указана как 4096 токенов или меньше. Сильные стороны модели — возможность запуска на CPU и GPU, широкий выбор уровней квантования и совместимость с llama.cpp, text-generation-webui, LM Studio, KoboldCpp и другими инструментами. Ограничения включают отсутствие поддержки последовательностей длиннее 4096 токенов в данном формате и потенциальное снижение качества в более агрессивно квантованных вариантах. Языки, на которых модель обучалась, и специализированные сценарии её применения в README не указаны. Модель распространяется по лицензии Apache 2.0.

Mistral-Small-22B-ArliAI-RPMax-v1.1-GGUF — это квантизированная версия текстовой генеративной модели ArliAI/Mistral-Small-22B-ArliAI-RPMax-v1.1. Исходную модель разработала ArliAI, а сборку в формате GGUF подготовил bartowski с использованием llama.cpp и метода imatrix. Модель предназначена для генерации текста и запуска локально через совместимые инструменты, включая llama.cpp и LM Studio. Модель относится к семейству Mistral и содержит около 22 миллиардов параметров. Доступны версии от F16 до разных уровней квантизации Q8, Q6, Q5, Q4, Q3 и IQ4_XS, что позволяет выбирать между качеством генерации, потреблением памяти и скоростью инференса. Размер файлов варьируется примерно от 11,7 до 44,5 ГБ. Для некоторых вариантов предусмотрена оптимизация под ARM, включая требования к поддержке sve или i8mm. Рекомендуемый формат prompt — <s> [INST] запрос [/INST]. Сильной стороной сборки является широкий выбор квантизаций, включая варианты с высоким качеством и уменьшенным потреблением памяти, что упрощает локальное развертывание. Ограничения и дополнительные характеристики исходной модели, включая поддерживаемые языки, размер контекста, точную архитектуру, мультимодальность и результаты тестирования, в README не указаны. Модель распространяется по лицензии MRL-0.1; в метаданных она обозначена как license: other.

facebook/mms-1b-l1107 — мультиязычная модель распознавания речи из проекта Massively Multilingual Speech (MMS), разработанного Vineel Pratap и коллегами. Она преобразует аудиозапись в текст и предназначена для автоматического распознавания речи на 1107 языках. Модель основана на архитектуре wav2vec 2.0 с выходной головой CTC и содержит около 1,3 млрд параметров. Репозиторий содержит веса PyTorch и Safetensors; в README указана частота дискретизации 16 кГц. Метаданные связывают модель с датасетом Google FLEURS. Модель охватывает большое число языков, включая языки с ограниченными ресурсами, что подходит для транскрибирования разнообразной речи. Качество для конкретного языка и аудиозаписи может различаться; поддержка языка не гарантирует одинаковую точность для всех диалектов и условий записи. Лицензия CC-BY-NC 4.0 допускает использование с атрибуцией, но запрещает коммерческое применение.

MN-magnum-v2.5-18.5B-kto-Instruct-GGUF — это квантизированная GGUF-версия инструкционной языковой модели MN-magnum-v2.5-18.5B-kto-Instruct, разработанной DavidAU и подготовленной для распространения пользователем bartowski. Модель предназначена для генерации текста и запуска через llama.cpp или совместимые приложения, включая LM Studio. Она поддерживает диалоговый формат с системными и пользовательскими сообщениями. В основе лежит модель размером 18,5 млрд параметров; точная архитектура, поддерживаемые языки, модальности и размер контекстного окна в README не указаны. Доступны варианты от F16 до низкобитных квантований Q2 и IQ, что позволяет выбирать между качеством ответов, размером файла и требованиями к оперативной памяти. Для квантования использовались llama.cpp и imatrix с указанным набором данных; варианты Q5–Q6 отмечены как высококачественные и рекомендуемые, а Q3 и Q2 предназначены для систем с ограниченными ресурсами, но могут заметно уступать по качеству. Лицензия в README не указана, поэтому условия использования необходимо уточнять в карточке исходной модели DavidAU/MN-magnum-v2.5-18.5B-kto-Instruct.

mrm8488 дообучил модель Sentence Transformers на базе nomic-ai/modernbert-embed-base на испанском наборе данных для оценки семантического сходства предложений. ModernBERT преобразует текстовые предложения и абзацы в плотные эмбеддинги размерностью 768; средний пулинг токенов и нормализация позволяют сравнивать векторы по косинусному сходству. Максимальная длина последовательности — 8192 токена, а Matryoshka-обучение поддерживает сокращённые представления размерностью 512, 256, 128 и 64. Модель подходит для семантического поиска, поиска перефразировок, сравнения предложений, кластеризации и классификации текста на испанском языке. README приводит результаты оценки сходства на STS-наборах, но не описывает проверку на других языках или предметных областях. Базовый репозиторий распространяется под лицензией Apache-2.0; для этой производной модели отдельная лицензия в предоставленных данных не указана.

MoEstral-2x7B — диалоговая языковая модель на архитектуре Mixtral/MoE, опубликованная paulilioaica. Она предназначена для генерации текста и ответов на инструкции, в том числе для задач рассуждения, работы с числами и абстрактными понятиями. В карточке описано объединение через mergekit двух копий mistralai/Mistral-7B-Instruct-v0.2 с маршрутизацией экспертов по тематическим подсказкам; метаданные указывают 7,1 млрд параметров и контекст до 32 768 токенов. Модель принимает текст и генерирует текст в диалоговом режиме. Репозиторий содержит веса Safetensors; лицензия — Apache-2.0. README приводит результаты на отдельных бенчмарках, но не описывает методику или полный набор оценок, поэтому эти цифры не позволяют судить о качестве во всех сценариях.

MoEv4Config-TestWeightedTIES-7b — слитая языковая модель, созданная автором репозитория на основе Kukedlc/NeuTrixOmniBe-7B-model-remix, PetroGPT/WestSeverus-7B-DPO и vanillaOVO/supermario_v4 с помощью LazyMergekit. Это плотная модель архитектуры Mistral с 7,1 млрд параметров, предназначенная для генерации текста; длина контекста составляет до 32 768 токенов. Модель можно применять для диалогов, написания и продолжения текста, а также решения задач на рассуждение и понимание текста. В README приведены результаты Open LLM Leaderboard, включая средние 75,39, 71,59 на AI2 Reasoning Challenge и 88,19 на HellaSwag; эти оценки характеризуют конкретные тесты и не гарантируют качество на других задачах. Репозиторий содержит веса в формате safetensors. Лицензия — Apache-2.0.

Morgan-Tanglish-v7 — модель эмбеддингов предложений, созданная Vishnu N для семантического сравнения текста на танглише: смеси тамильского и английского языков, записанной латиницей. Она дообучена на базе sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2 и предназначена для коротких сообщений и предложений, похожих на тексты из соцсетей; контекст модели — до 512 токенов. В метаданных указаны архитектура BERT, 124,3 млн параметров и формат safetensors. Модель подходит для семантического поиска, подбора похожих предложений, обнаружения дубликатов, сопоставления обращений в поддержку и резюме с вакансиями, а также поиска по корпусам для RAG-систем. Автор сообщает о результатах на TanglishSTS — наборе из 325 пар, размеченных носителем тамильского языка, — и о превосходстве над сравниваемыми моделями в ряде тестов; это заявление основано на оценке автора. Лицензия — Apache-2.0. Модель обучалась преимущественно на танглише. Автор предупреждает, что она не предназначена для формального тамильского на родном письме, а качество для хинглиша и чисто английских задач не подтверждено. Она оптимизирована для коротких текстов длиной около 6–50 слов; качество на длинных документах и новых интернет-сленгах может быть ниже.

cuadron11/mrbert-bopv-ft — дообученная модель Sentence Transformers на основе многоязычного энкодера BSC-LT/MrBERT. Она кодирует предложения и абзацы в плотные векторы размерностью 768 для сравнения смысловой близости, семантического поиска, поиска перефразировок, кластеризации и классификации текста. Архитектура состоит из ModernBERT и mean pooling; сходство векторов можно оценивать косинусной мерой. Максимальная длина последовательности — 8192 токена. Модель обучена на парах текстов с помощью MultipleNegativesRankingLoss; карточка сообщает о наборах обучения и оценки на баскском языке. Она подходит для построения поиска по смыслу и сопоставления баскских запросов с релевантными документами. Репозиторий содержит веса в формате safetensors; для работы используется библиотека Sentence Transformers. Лицензия в предоставленных данных не указана.

Это англоязычный многовекторный текстовый энкодер семейства ModernBERT, созданный tomaarsen на базе Alibaba-NLP/gte-modernbert-base и дообученный на 20 тысячах примеров MS MARCO с дистилляцией оценок bge-reranker-v2-gemma. Модель преобразует текст в последовательность 128-мерных векторов токенов и оценивает соответствие запросов и документов с помощью late interaction MaxSim; длина входной последовательности — до 8192 токенов. Модель предназначена для семантического поиска и извлечения документов, особенно в системах, где важна точная токен-уровневая оценка релевантности. В карточке приведены результаты оценки на наборах NanoMSMARCO и NanoBEIR. Веса доступны в формате safetensors, использовать их можно с библиотекой Sentence Transformers. Лицензия — Apache-2.0.

tomaarsen/multivector-ModernBERT-base-msmarco-contrastive-no-query-expansion — англоязычный много-векторный энкодер, дообученный tomaarsen на базе answerdotai/ModernBERT-base с помощью библиотеки Sentence Transformers на парах запросов и документов из msmarco-bm25. Модель предназначена для семантического поиска и информационного поиска с поздним взаимодействием: она кодирует текст в последовательность 128-мерных векторов токенов, а релевантность оценивается функцией MaxSim. Модель принимает текст, поддерживает последовательности длиной до 8192 токенов и содержит 149 млн параметров. В README приведены результаты оценки поиска на наборах NanoMSMARCO, NanoBEIR и других задачах извлечения информации; результаты зависят от датасета и выбранной метрики. Для работы требуется сопоставлять векторы запросов и документов, поэтому это энкодер для поискового конвейера, а не генеративная модель ответов. Распространяется по лицензии Apache-2.0.

Nemotron-3-Embed-8B-GGUF — набор GGUF-квантизаций модели Nemotron-3-Embed-8B-BF16, разработанной NVIDIA. Модель предназначена для создания текстовых эмбеддингов, семантического сходства и задач информационного поиска, включая retrieval и сценарии на базе sentence-transformers. Это текстовая embedding-модель с размером исходной модели 8B; точные сведения об архитектуре, поддерживаемых языках и длине контекста в README не указаны. Квантизация выполнена с использованием llama.cpp и публичной матрицы важности Wikitext-2. Для корректной работы к запросам требуется добавлять префикс «query: », а к документам — «passage: ». Эмбеддинги формируются посредством mean pooling и нормализуются по L2, что удобно для сравнения векторов. Сильные стороны модели — наличие GGUF-формата и ориентация на семантический поиск и сопоставление текстов. Ограничения включают необходимость соблюдать специальные префиксы и отсутствие в предоставленных данных подробностей о качестве, конкретных вариантах квантизации, языковом покрытии и контекстном окне. Модель распространяется по лицензии OpenMDW 1.1; README также указывает, что данный репозиторий не связан с NVIDIA, Mistral или другими компаниями и не одобрен ими.

NorwAI-Mistral-7B-instruct — генеративная текстовая модель, разработанная исследовательским центром NorwAI при Норвежском университете науки и технологий (NTNU) совместно с норвежскими партнёрами, включая Schibsted, NRK, VG и Национальную библиотеку Норвегии. Модель предназначена для работы с норвежским языком и диалоговых или иных сценариев, требующих следования инструкциям; она дообучена примерно на 9000 самостоятельно собранных высококачественных норвежских инструкциях. Модель основана на NorwAI-Mistral-7B, использует авторегрессионную архитектуру и содержит около 7 млрд параметров. Контекст — до 32 000 токенов. Токенизатор расширен за счёт объединения токенизатора Llama 2 с норвежским токенизатором, итоговый словарь содержит 64 000 токенов. Основная заявленная языковая специализация — норвежский язык; сведения о мультимодальности отсутствуют, модель предназначена для генерации текста. Сильная сторона модели — адаптация к норвежскому языку и инструкциям носителей языка. Как и другие большие языковые модели, она может порождать галлюцинации, фактически неверные ответы, токсичный или предвзятый контент. Модель распространяется по специальной лицензии NorLLM: бесплатное использование разрешено организациям, зарегистрированным в странах Северной Европы, для собственных целей, но не для перепродажи; предусмотрены требования к атрибуции и ограничения, связанные с безопасностью, фундаментальными правами и географией использования.

OLMo 2 13B SFT — языковая модель Allen Institute for AI (Ai2), дообученная методом supervised fine-tuning на варианте набора Tülu 3. Это плотная авторегрессионная модель семейства OLMo 2 с 13,2 млрд параметров, рассчитанная на генерацию текста и диалоговое взаимодействие. Контекстное окно — 4096 токенов; модель предназначена прежде всего для английского языка. Модель подходит для диалогов, ответов на вопросы, математических задач и выполнения инструкций. В README отмечено, что Tülu 3 охватывает широкий круг задач, включая MATH, GSM8K и IFEval. Модель распространяется под лицензией Apache 2.0. В README указано, что у OLMo 2 ограничено обучение безопасности; без дополнительной фильтрации модель может выдавать проблемные ответы, особенно при соответствующих запросах. Также карточка предупреждает, что эта версия была заменена обновлёнными post-trained моделями из-за несовпадения логики предварительной токенизации с базовыми моделями.

OLMo-2-1124-7B-SFT — языковая модель Allen Institute for AI (AI2), представляющая собой версию OLMo 2 7B с supervised fine-tuning на варианте набора Tülu 3. Плотная авторегрессионная архитектура OLMo 2 содержит 6,9 млрд параметров; модель работает с текстом, поддерживает диалоговый режим и принимает контекст длиной до 4096 токенов. Основной язык — английский. Модель предназначена для диалогов и широкого круга текстовых задач, включая математические рассуждения, ответы на вопросы и выполнение инструкций. Она обучалась на смеси общедоступных, синтетических и созданных людьми данных, включая набор Tülu 3. Для загрузки и запуска используется библиотека Transformers; веса доступны в формате PyTorch. Лицензия — Apache 2.0. В README отмечено, что у OLMo-2 ограничено обучение безопасности: модель может выдавать проблемный контент, особенно при соответствующих запросах; автоматическая фильтрация ответов не встроена.

OpenBuddy Nemotron 70B v23.2q 131K GGUF — квантизированная версия языковой модели OpenBuddy-nemotron-70b-v23.2q-131k, подготовленная bartowski с использованием llama.cpp и метода imatrix. Модель предназначена для генерации текста и запуска в локальных приложениях, включая LM Studio, с применением формата диалоговых промптов OpenBuddy. Поддерживаются английский, китайский, французский, немецкий, японский, корейский, итальянский и финский языки. Модель содержит около 70 млрд параметров и имеет заявленный контекст до 131 072 токенов. Это текстовая модель без заявленной поддержки изображений или других модальностей. Доступны варианты GGUF с разными уровнями квантизации — от Q8_0 до Q2_K и IQ2_M; размер файлов составляет примерно от 24 до 75 ГБ. Более высокие уровни квантизации обычно обеспечивают лучшее качество, тогда как компактные варианты рассчитаны на системы с ограниченным объёмом памяти. В README рекомендуются, в частности, Q6_K, Q5_K_M, Q5_K_S, Q4_K_M, Q4_K_S и IQ4_XS. Сильными сторонами являются большой контекст, мультиязычность и возможность локального запуска с выбором компромисса между качеством и требованиями к памяти. Ограничения включают значительный размер модели, зависимость качества от выбранной квантизации и отсутствие в предоставленных данных результатов бенчмарков или подробного описания архитектуры. Лицензия указана как llama3.1.

Карточка модели fal/paligemma-3b-mix-224 на Hugging Face совпадает с карточкой google/paligemma-3b-mix-224, поэтому описание составлено по ней. PaliGemma 3B Mix 224 — разработанная Google компактная модель «зрение—язык», сочетающая визуальный компонент SigLIP и языковую модель Gemma. Она принимает изображения и текст, а в ответ генерирует текст; вариант 224 использует разрешение изображений 224 пикселя. Модель предназначена прежде всего для дообучения под конкретную задачу и поддерживает несколько языков. После адаптации модель можно применять для описания изображений и коротких видео, визуальных вопросов и ответов, чтения текста на изображениях, обнаружения и сегментации объектов. Среди возможных специализированных сценариев — вопросы по снимкам дистанционного зондирования, помощь людям с нарушениями зрения и описание функций элементов интерфейса. Это модель с одним ходом, не предназначенная для многошагового диалога. Модель лучше работает с чёткими инструкциями; без дообучения её результаты на отдельных задачах могут уступать специализированным моделям. Она может ошибаться в фактах и сложных рассуждениях, а также отражать смещения обучающих данных. Лицензия — Gemma; для Gemma действуют условия и ограничения использования, указанные Google.

Parakeet-TDT 0.6B v3 — многоязычная модель распознавания речи NVIDIA NeMo, опубликованная loom-ai-org в формате GGUF для запуска через loom.cpp и loom-py-rt. Репозиторий содержит экспорт исходной модели nvidia/parakeet-tdt-0.6b-v3; README указывает, что веса не изменены. Модель преобразует аудио в текст и предназначена для автоматической транскрипции речи на 25 языках, включая русский, английский, испанский, французский и немецкий. Для использования требуется loom-py-rt; экспорт включает графы модели и необходимые компоненты для запуска. Репозиторий распространяется по лицензии CC BY 4.0.

rasyosef/Phi-1_5-Instruct-v0.1 — диалоговая языковая модель на базе Microsoft Phi-1.5, дообученная для выполнения инструкций. Это плотный Transformer с примерно 1,7 млрд параметров; модель распространяется в формате safetensors и рассчитана на контекст до 2048 токенов. Для постобучения применялись supervised fine-tuning на 128 тысячах пар инструкций и ответов из OpenHermes-2.5 и оптимизация предпочтений DPO на нескольких наборах данных. Автор рекомендует подавать запросы в формате system/user/assistant. Модель предназначена для ответов на вопросы, следования инструкциям, рассуждений, решения математических задач и генерации кода. В карточке приведены результаты на IFEval, GSM8K, MMLU, TruthfulQA и Winogrande, однако эти оценки не гарантируют точности ответов в практических задачах. Как и другие компактные языковые модели, она может ошибаться и имеет ограниченный контекст. Лицензия — MIT.

prototype-128x03 — языковая модель, созданная разработчиком shamwowzer слиянием предварительно обученных моделей при помощи mergekit. В слиянии использованы /workspace/modeler/Behemoth и /workspace/mistral-text-only; последняя указана базовой моделью. Применён метод Multi-SLERP, итоговые веса сохранены в формате safetensors с точностью bfloat16. Модель относится к семейству Mistral, использует плотную архитектуру MistralForCausalLM и содержит 123,4 млрд параметров. Она предназначена для генерации текста и диалогового общения; максимальный контекст составляет 262 144 токена. Лицензия и поддерживаемые естественные языки в предоставленных данных не указаны.

QWEN-2-1.5B-Synthia-I — языковая модель, дообученная artificialguybr на Qwen/Qwen2-1.5B с использованием набора Synthia v1.5-I, содержащего более 20,7 тыс. примеров следования инструкциям. Это плотная авторегрессионная модель класса Qwen2ForCausalLM с 1,5 млрд параметров; файлы доступны в форматах PyTorch и Safetensors, а для работы указан Transformers. Модель предназначена для выполнения инструкций, генерации и продолжения текста, а также для разговорных приложений. Контекстное окно составляет до 131 072 токенов. В метаданных указан английский язык; карточка отмечает многоязычные возможности базовой Qwen2, но не уточняет языковой охват дообученной версии. Модель наследует возможности базовой Qwen2-1.5B и специально настроена на следование инструкциям. Лицензия — Apache-2.0. Карточка не приводит результатов оценивания качества или более подробных ограничений.

Карточка модели schwyzquants/Qwen2.5-32B на Hugging Face совпадает с карточкой Qwen/Qwen2.5-32B, поэтому описание составлено по ней. Qwen2.5-32B — базовая языковая модель компании Qwen, обученная на этапе предварительного обучения. Это плотная авторегрессионная модель семейства Qwen2 с 32 млрд параметров; архитектура использует RoPE, SwiGLU, RMSNorm и смещение в проекциях QKV внимания. Контекст составляет 131 072 токена. Модель предназначена для дальнейшего дообучения и построения систем генерации текста. Семейство поддерживает более 29 языков, включая английский, китайский, русский, французский, немецкий, японский и арабский. Для этой базовой версии README не рекомендует непосредственное применение в диалогах; для чат-сценариев требуется последующее обучение, например SFT или RLHF. В README также отмечены сильные возможности семейства в следовании инструкциям, коде, математике и генерации структурированных ответов, однако эти улучшения описаны для Qwen2.5 в целом. Модель распространяется под лицензией Apache-2.0. Для работы рекомендуется актуальная версия библиотеки Transformers; версии ниже 4.37.0 могут не распознавать архитектуру qwen2.

Карточка модели KnutJaegersberg/Qwen2-Deita-500m на Hugging Face совпадает с карточкой KnutJaegersberg/Deita-34b, поэтому описание составлено по ней. KnutJaegersberg/Deita-34b — языковая модель для генерации текста, построенная на архитектуре Llama с плотной схемой и 33,9 млрд параметров. Модель рассчитана на инструкции и диалоговые запросы; в README приведён пример ответа на вопрос о тонкой настройке языковой модели. Контекстное окно составляет 4096 токенов. Модель распространяется в формате safetensors по лицензии Apache-2.0. В метаданных указан датасет KnutJaegersberg/Deita-6k; они не уточняют связь модели с базовым чекпойнтом или способ её обучения.